本文适用于有下面情况的同学们：
- 对 AI 感兴趣
- 非科班
- 数学基础不好
- 对算法抗拒
- 研究生一下学历
近几年，AI 很火，在很多领域都取得了突破性的成果。这吸引了很多人的目光，我从几年前决定投入到 AI 的怀抱中，过程很艰苦，走了很多弯路，希望此文能带给新人一些提示。
数学问题
很多同学担心自己数学底子薄，所以要不要入 AI 考虑了很久，还不敢下定决心。
我也是本科毕业，大学荒废了数学。
后来，我是怎么学的呢？
起初，我在淘宝网买了整套二手的数学教材，看的很吃力。看了 1 个月后，进度很慢。
后来，偶然的渠道，我看了网络上的考研数学视频。
那些老师讲的都很好，比自己大学老师讲的好多了。
于是，我就开始学。
每天上班在路上学。
午休时也学。
上厕所时也拿出手机学。
睡觉前还是学。
反反复复后，把很多概念吃透了，某一天竟然有了顿悟的感觉。
后来，遇到实际问题需要数学时，我就会看网络上大家对于某个数学概念的解读，每次收获也很大。
反正，我现在也在不停的学数学。
你可以试试这样：
看考研的数学教学视频
- 买《程序员的数学》这类书
- B 站上很多免费的数学教学视频
- 网络上收费的数学专栏
- 吴军的《数学之美》
你如果觉得数学不会成为你的拦路虎后，那么你就可以选择 AI 了。
机器学习入门
吴恩达的视频是个好的入门途径。
李航的《统计学习方法》也是应该人手一本的。
但是，我觉得对于新手最友好的应该是《机器学习实战Python版》，也就是人民邮电出版社那个版本。
它是 Python 写的，并且书很薄，一周时间就可以搞定。
为什么首推这本书呢？
因为绝大多数初学者只对 AI 感兴趣，但是并无具体上的概念。
跟着这本书的代码敲一遍，可以形成初步的印象，激发学习成就感。
我估计有好多的初学者，被那些枯燥的理论书给折磨了兴致。
机器学习确实需要推到公式，我建议根据知识体系，一个一个突破，不要急于求成，遇到不懂的地方，网络上看别人的理解，反复搞几次，我相信你会有顿悟的那一天。
另外，说回李航《统计学习方法》这本书，很多次我感觉是一本冷血没有温度的书，虽然很薄，但是沉下心来吃透它，你将收获颇丰。
当然，等你不再对一些基础概念畏惧时，可以看看《百面机器学习》这本书，非常棒。
深度学习
深度学习目前最火热的应该是 CV 和 NLP。
我是搞 CV 相关的，也就是机器视觉。
深度学习，我首推的是《深度学习入门–基于Python的理论与实践》，斋藤康毅著陆宇杰译。
符合日本人的写作风格，短小精悍，通俗易懂，关键是理论和实例兼顾的很好。
我很佩服这位作者。
我讨厌花书，你们现在可以喷我了！
入门用吴恩达的深度学习视频也是挺好的。
深度学习要进阶，我觉得论文要看。
AlexNet、GoogLeNet、VGG、ResNet 等等这些经典的神经网络的论文要学习。
再之后，像 Batch Norm 这种优化手段的论文也需要学习。
然后，就可以往专业领域进阶了。
比如，我是搞机器视觉方面的。
所以，我会研究 YOLO、SSD、R-CNN 系列论文。
初学者可以选择 Pytorch 入门。
如果非要用 Tensorflow 的话，先从它的 keras 版本开始吧。
我讨厌 Tensorflow，你们可以喷我了
最后。
搞深度学习一定要学会自己去构建、优化神经网络，如果脱离了这个你将永远停留在别人的教程DEMO 这个水平之下，具体可以看我这篇博文《用 PyTorch 从零创建 CIFAR-10 的图像分类器神经网络，并将测试准确率达到 85%》。
有一个容易忽略的问题就是，很多时候，你觉得自己懂了，可能是因为看别人的文章时别人讲的很通顺，让你产生了自己也这么思维清晰的错觉。学技术你应该多动手，多亲自思考，这样才会真正的理解深刻和产生长足的进步。
等你具备了基础的入门能力，就要学会自己去探索问题，多看看行业最新学术动态和工业成果，不断打磨自己的技术。
我想说的是，不要把学历的问题遮挡你自己，如果你真爱某个东西，用心用力做好有什么需要顾虑的呢？
很多时候，我们并没有自己想象中的那么笨。
相信我，你可以的。
